自然语言交互革命：衡石ChatBI Agent如何让业务人员“对话数据”？-优快云博客

本文链接：https://blog.youkuaiyun.com/zandy1011/article/details/149686913

引言：当业务人员逃离SQL地狱

“帮我查下华东区上季度高毛利产品销售额，剔除退货后TOP10是谁？”——传统BI需数据团队写20行SQL+2小时等待。而某零售企业业务总监王莉在衡石ChatBI输入这句话后，3秒获得带归因分析的动态看板。这背后是语义理解、指标对齐、安全管控三大技术的协同突破。

一、业务痛点：传统BI的“语言鸿沟”有多深？

角色	使用障碍	后果
业务人员	不懂SQL/复杂过滤条件	需求积压，80%长尾需求被弃
数据分析师	重复翻译业务语言为SQL	人力浪费在低价值工作
管理者	静态报表无法实时追问	决策滞后市场变化

衡石ChatBI破局公式：
自然语言理解（NLU）× 指标中台 × 动态会话流 = 业务语言直达数据洞察

二、技术架构：三阶引擎实现“人话查数据”

（代码：ChatBI Agent核心工作流）

sequenceDiagram
业务人员->>+NLU引擎： “Q3华南高毛利产品增长如何？”
NLU引擎->>+指标中台：解析为结构化意图：
{“指标”:[“销售额”，“毛利率”],
“过滤”:[“地区=华南”，“毛利率>30%”],
“时间”:“2023Q3”}
指标中台-->>-NLU引擎：确认“毛利率”口径= (收入-成本)/收入
NLU引擎->>+查询引擎：生成优化后SQL：
SELECT product, SUM(sales)
FROM orders
WHERE region='South' AND quarter='Q3'
AND (revenue-cost)/revenue>0.3
GROUP BY product
查询引擎-->>-业务人员：返回TOP10产品列表+趋势图
业务人员->>+会话引擎：追问：“为什么A产品下跌？”
会话引擎->>AI归因模块：自动下钻渠道、竞品维度
AI归因模块-->>-业务人员： “因B竞品降价30%，致A产品份额流失15%”

2.1 语义理解层：LLM+领域知识蒸馏

双模解析引擎：
- 通用LLM（GPT-4架构）处理口语化表达
- 垂直小模型（衡石自研H-BERT）精准识别业务术语
  
  例：将“高毛利”映射到“毛利率>30%”阈值
意图纠错机制：
当用户问“门店人效”时，自动关联“坪效”“客单价”等衍生指标，减少43%歧义

2.2 指标中台：自然语言与数据的“翻译官”

动态语义对齐：
用户说“销售额”时，自动匹配该客户指标库中定义的 总销售额 = SUM(订单金额 - 退款)
实时血缘追溯：
若用户追问“销售额计算公式”，自动展示数据源表及关联ETL任务

2.3 会话引擎：持续追问的“智能导览”

场景化对话树：

python

# 衡石会话DSL示例
define_flow("销售分析"):
    step1: ask("您想分析哪个区域？") → 解析为region维度
    step2: ask("需要看哪些产品？") → 绑定product维度
    step3: 推荐关联问题： 
        "是否对比同期？" → 自动生成同比计算
        "是否下钻到城市？" → 触发维度扩展

主动洞察推送：
当识别到“销售额下降>15%”，自动推送归因报告：“因促销活动减少导致流量下降20%”

三、落地效果：从“人适应系统”到“系统理解人”

某快消企业实战对比

场景	传统BI流程	衡石ChatBI流程	效率提升
促销效果分析	2天（提需→取数）	3分钟（对话完成）	960倍
异常归因（如销量骤降）	人工排查8小时	自动定位根因45秒	640倍
长尾需求满足率	20%	92%	360%